三、 使用 Selenium 爬取淘宝商品
在分析 Ajax 抓取相关数据时，不是所有页面都可以通过分析 Ajax 来完成抓取。比如淘宝的整个页面数据确实是通过 Ajax 获取的，但这些 Ajax 接口参数复杂，并且包含有加密密钥等，如果要构造 Ajax 参数是很困难。像这种页面最方便的抓取方法是通过 Selenium 。接下就用 Selenium 模拟浏览器操作，抓取淘宝的商品信息，并用 pyquery 解析到商品的图片、名称、价格、购买人数、店铺名称和店铺所的地信息，并将结果保存到 MongoDB。
接下来需要用到的软件和库有：
Chrome浏览器软件
ChromeDriver驱动
Firefox浏览器并配置相应的驱动 GeckoDriver。
PhantomJS：一个无界面、可脚本编程的 webkit 浏览器引擎，支持多种 web 标准：DOM 操作， CSS 选择器，JSON、Canvas以及SVG。
Python 的 Selenium 库。
1、 接口分析
先分析淘宝的接口，看下它比一般的 Ajax 多了什么内容。进入淘宝首页，搜索商品，搜索 华为P20，进入开发者工具，未发现淘宝页面的 Ajax 请求。
2、 页面分析
这次爬取的是商品信息，包括商品图片、名称、价格、购买人数、店铺名称和店铺所在地等信息。抓取入口是淘宝的搜索页面，这个连接可以通过直接构造参数访问。例如搜索 华为P20，可直接访问 https://s.taobao.com/search?q=华为P20 ，展示的是第一页的搜索结果。在页面下方有分布导航，包括了前5页的连接，也包括下一页的连接，同时还有一个输入任意页面跳转的连接。如图3-1 所示。
图3-1 分页导航
可以看出搜索结果最大为 100 页，任意页面输入框的值默认是第2页。要获取每一页的内容，将页码从1 到 100 顺序遍历即可，页码数是确定的。可直接在页面跳转文本框中输入要跳转的页码，点击“确定”可跳转到页码对应的页面。
这里没有点击下一页来获取，是因为爬取过程中出现异常退出时，此时点击“下一页”就不能切换到对应的后续页面。因此在爬取过程中还要记录当前页码数，如果点击下一页后加载失败，还要做异常检测，检测当前页面是加载到第几页。整个流程相对复杂，所以直接用跳转方式爬取页面。
成功加载一页商品列表时，利用 Selenium 来获取页面源代码，再利用相应的解析库解析，这里使用 pyqeury 解析。
3、 获取商品列表
首先构造要抓取的URL：https://s.taobao.com/search?q=华为P20。参数 q 要是搜索的关键字。只要改变这个参数，就可获取不同商品的列表。可将商品的关键字定义成变量，接着构造出这样一个 URL。然后利用 Selenium 获取源代码，抓取列表页的方法如下：
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
from urllib.parse import quote
browser = webdriver.Chrome() # 初始化 Chrome浏览器对象
wait = WebDriverWait(browser, 10) # 设置等待时间10秒
KEYWORD = '华为P20' # 设置搜索关键字
def index_page(page):
"""
抓取索引面
:param page: 页码
"""
print('正在爬取第', page, '页')
try:
url = 'https://s.taobao.com/search?q=' + quote(KEYWORD) # 构造 URL
browser.get(url) # 连接 URL，首先访问搜索商品的连接，判断页码是否大于 1，
if page > 1:
input = wait.until(
# 使用 CSS 选择器获取下面的 input标签，也就是页码输入框
EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager div.form > input'))
)
submit = wait.until(
# 使用 CSS 选择器获取到 span标签的“确定”按钮
EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager div.form > span.btn.J_Submit'))
)
input.clear() # 清除输入框的默认值
input.send_keys(page) # 给输入框输入要获取的页码
submit.click() # 输入页码后点击提交
# page等于1或者大于1都执行下面的代码
#EC.text_to_be_present_in_element((By.CSS_SELECTOR, "#mainsrp-pager li.item.active > span"), str(page))
obj = EC.text_to_be_present_in_element((By.CSS_SELECTOR, "#mainsrp-pager li.item.active > span"), str(page))
print(obj)
wait.until(
# 使用 CSS 选择器获取当前 span 标签中的页码，并让页面与 page 的页码比较
EC.text_to_be_present_in_element((By.CSS_SELECTOR, "#mainsrp-page li.item.active > span"), str(page))
)
# 等待商品信息加载出来，并使用选择器选择商品信息，调用 get_products() 方法提取商品信息，
# 如果不能正常加载就报 TimeoutException 异常
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.m-itemlist .items .item')))
get_products()
except TimeoutException:
#index_page(page)
print("请求超时")
上面这段代码首先使用 Chrome 浏览器构造一个 WebDriver 对象，接着指定一个关键词 华为P20，接着定义 index_page() 方法，用于抓取商品列表页。在 index_page() 方法中先访问搜索商品的链接，然后进行判断当前的页码，如果大于1就进行跳转页操作，否则等待页面加载完成。
等待加载时，使用了 WebDriverWait 对象，并指定等待条件，同时指定一个最长等待时间，这里是 10 秒。在这个时间内成功匹配等待条件，就说明页面元素成功加载出来，接着返回相应结果并继续向下执行，否则到了最大等待时间还没有加载出来，就直接抛出超时异常。
要等待商品信息加载出来，可指定 presence_of_element_located 这个条件，然后传入 .m-itemlist .items .item 这个CSS选择器，选择器对应的内容就是每个商品的信息块，可以网页源代码上查看。加载成功就执行后面的 get_products() 方法，提取商品信息。
对于翻页操作，先获取页码输入框，赋值为 input，接着获取“确定”按钮，赋值为 submit。接着调用 clear() 方法清空输入框，再调用 send_keys() 方法将页码填充到输入框中点击“确定”按钮即可。成功跳转后页码会高亮显示，只要对当前高亮的页码判断是当前的页码数即可，所以使用了另一外等待条件 text_to_be_present_in_element，它会等待指定的文本出现在某一个节点里面时即返回成功。将高亮的页码节点对应的 CSS 选择器和当前要跳转的页码通过参数传递给这个等待条件，这样它就会检测当前高亮的页面节点是不是本次传过来的，如果是就证明页面跳转到了这一页，页面就跳转成功。
这样在 index_page() 方法中可传入对应的页码，待加载出对应的页码商品列表后，再调用 get_products() 方法进行页面解析。
4、 解析商品列表
下面就使用 get_products() 方法对商品列表进行解析。直接获取页面源代码用 pyquery 进行解析。代码如下：
from pyquery import PyQuery as pq
def get_products():
"""
提取商品数据
"""
html = browser.page_source # 获取网页源代码
doc = pq(html) # 构造 pyquery 对象
# 使用 CSS 选择器获取商品信息列表，匹配的是整个页面的每个商品，匹配结果有多个
items = doc("#mainsrp-itemlist .items .item").items()
for item in items:
# 遍历每个商品，每一个 item 变量都是 pyquery 对象，调用它的 find() 方法，使用 CSS 选择器获取单个商品特定内容
product = {
'image': item.find('.pic .img').attr('data-src'),
'price': item.find('.price').text().replace("
",""),
'deal': item.find('.deal-cnt').text(), # 购买人数
'title': item.find('.title').text().strip(), # 商品描述信息
'shop': item.find('.shop').text(), # 商家信息
'location': item.find('.location').text() # 商家所在地区
}
print(product)
#save_to_mongo(product) # 将获取到的商品信息保存到 Mongodb
先来看一下商品信息的源码，如图3-2所示。
图3-2 商品信息源码
由图3-2 可知，它是一个 img 节点，包含id、class、data-src、alt和 src 等属性。src属性是图片的URL，此外还有 data-src 属性，也是图片的URL，不过它是完整的大图，src 是压缩后的小图，这里获取 data-src 属性来作为商品的图片。因此，先用 find()方法找到图片节点，接着调用 attr() 方法获取商品的 data-src 属性，这样就提取到商品图片连接。用同样的方法提取商品中的价格、成交量、名称、店铺所在地等信息。将提取结果赋值为 product 字典，接着调用 save_to_mongo() 方法将其保存到 MongoDB。
5、 保存到 MongoDB
将商品信息保存到 MongoDB的源代码如下：
import pymongo
MONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_COLLECTION = 'products_hwP20'
client = pymongo.MongoClient(MONGO_URL) # 连接 MongoDB
db = client[MONGO_DB] # 指定数据库
def save_to_mongo(result):
"""
保存到 MongoDB
:param result: 结果
"""
try:
# 指定 Collection 名称，并将数据插入到 MongoDB
if db[MONGO_COLLECTION].insert(result):
print('存储到 MongoDB 成功')
except Exception:
print('存储到 MongoDB 失败')
6、 遍历每页和运行
前面定义的 get_index() 方法需要接收参数 page，使用 for 循环对页码遍历，传递 page 参数即可。代码如下所示：
MAX_PAGE = 100 # 定义最大访问的页面数
def main():
"""
遍历每一页
"""
for i in range(1, MAX_PAGE + 1):
index_page(i)
browser.close()
if __name__ == '__main__':
main()
成功运行代码的话，所有的信息都会保存到 MongoDB里面。
7、 Chrome Headless 模式
Chrome 最新的版本（从Chrome 59版本开始）支持 Headless 模式，即无界面模式，这样在爬取的时候不会弹出浏览器。使用无界面模式的方式如下：
chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--headless')
browser = webdriver.Chrome(chrome_options=chrome_options)
创建ChromeOptions对象，接着添加 headless 参数，在初始化 Chrome 对象时通过 chrome_options传递这个 ChromeOptions对象，这样就启用 Chrome 的 Headless 模式。
要使用 Firefox 浏览器，只需要改这一处即可：
browser = webdriver.Firefox()
还可以使用 PhantomJS 的无界面浏览器抓取数据，同样不弹出窗口，只需要将 WebDriver 的声明修改如下即可：
browser = webdriver.PhantomJS()
PhantomJS 还支持命令行配置，例如，可以设置缓存和禁用图片加载功能来提高爬取效率：
SERVICE_ARGS = ['--load-images=false', '--disk-cache=true']
browser = webdriver.PhantomJS(service_args=SERVICE_ARGS)
最后，完整的代码如下所示：
import pymongo
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
from urllib.parse import quote
from pyquery import PyQuery as pq
chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--headless')
browser = webdriver.Chrome(chrome_options=chrome_options) # 初始化 Chrome浏览器对象
#browser = webdriver.Chrome() # 初始化 Chrome浏览器对象
#browser = webdriver.Firefox() # 初始化 Firefox浏览器对象
# SERVICE_ARGS = ['--load-images=false', '--disk-cache=true']
# browser = webdriver.PhantomJS(service_args=SERVICE_ARGS)
wait = WebDriverWait(browser, 10) # 设置等待时间10秒
KEYWORD = '华为P20' # 设置搜索关键字
def index_page(page):
"""
抓取索引面
:param page: 页码
"""
print('正在爬取第', page, '页')
try:
url = 'https://s.taobao.com/search?q=' + quote(KEYWORD) + '&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20190329&ie=utf8' # 构造 URL
#url = 'https://s.taobao.com/search?q=' + KEYWORD # 构造 URL
browser.get(url) # 连接 URL，首先访问搜索商品的连接，判断页码是否大于 1，
if page > 1:
input = wait.until(
# 使用 CSS 选择器获取下面的 input标签，也就是页码输入框
EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager div.form > input'))
)
submit = wait.until(
# 使用 CSS 选择器获取到 span标签的“确定”按钮
EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager div.form > span.btn.J_Submit'))
)
input.clear() # 清除输入框的默认值
input.send_keys(page) # 给输入框输入要获取的页码
submit.click() # 输入页码后点击提交
# page等于1或者大于1都执行下面的代码
#EC.text_to_be_present_in_element((By.CSS_SELECTOR, "#mainsrp-pager li.item.active > span"), str(page))
#obj = EC.text_to_be_present_in_element((By.CSS_SELECTOR, "#mainsrp-pager li.item.active > span"), str(page))
#print(obj)
wait.until(
# 使用 CSS 选择器获取当前 span 标签中的页码，并让页面与 page 的页码比较
EC.text_to_be_present_in_element((By.CSS_SELECTOR, "#mainsrp-pager li.item.active > span"), str(page))
)
# 等待商品信息加载出来，并使用选择器选择商品信息，调用 get_products() 方法提取商品信息，如果不能正常加载就报 TimeoutException 异常
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.m-itemlist .items .item')))
get_products()
except TimeoutException:
#index_page(page)
print("请求超时")
def get_products():
"""
提取商品数据
"""
html = browser.page_source # 获取网页源代码
doc = pq(html) # 转为 pyquery 对象
# 使用 CSS 选择器获取商品信息列表，匹配的是整个页面的每个商品，匹配结果有多个
items = doc("#mainsrp-itemlist .items .item").items()
for item in items:
# 遍历每个商品，每一个 item 变量都是 pyquery 对象，调用它的 find() 方法，使用 CSS 选择器获取单个商品特定内容
product = {
'image': item.find('.pic .img').attr('data-src'),
'price': item.find('.price').text().replace("
",""),
'deal': item.find('.deal-cnt').text(), # 购买人数
'title': item.find('.title').text().strip(), # 商品描述信息
'shop': item.find('.shop').text(), # 商家信息
'location': item.find('.location').text() # 商家所在地区
}
print(product)
save_to_mongo(product) # 将获取到的商品信息保存到 Mongodb
# 将商品信息保存到 MongoDB
MONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_COLLECTION = 'products_hwP20'
client = pymongo.MongoClient(MONGO_URL) # 连接 MongoDB
db = client[MONGO_DB] # 指定数据库
def save_to_mongo(result):
"""
保存到 MongoDB
:param result: 结果
"""
try:
if db[MONGO_COLLECTION].insert(result):
print('存储到 MongoDB 成功')
except Exception:
print('存储到 MongoDB 失败')
MAX_PAGE = 100 # 定义最大访问的页面数
def main():
"""
遍历每一页
"""
for i in range(1, MAX_PAGE + 1):
index_page(i)
browser.close()
if __name__ == '__main__':
main()
